Waver 1.0

Waver 1.0 – 字節跳動推出的AI視頻生成模型

核心觀點： Waver 1.0是字節跳動推出的新一代視頻生成模型，基于修正流Transformer架構，支持文生視頻、圖生視頻、文生圖一體化生成，可達1080p分辨率，擅長捕捉復雜，在幅度和時間一致性上表現卓越，性能超越現有模型，并支持多種藝術風格。

Waver 1.0：革新視頻生成體驗

字節跳動匠心打造的Waver 1.0，作為一款劃時代的新一代視頻生成模型，以其強大的修正流Transformer架構，徹底顛覆了視頻創作的傳統模式。它將文本到視頻（T2V）、圖像到視頻（I2V）以及文本到圖像（T2I）的生成能力巧妙地整合于一個統一的框架之下，用戶無需在不同模型間切換，即可一站式完成創意構想。Waver 1.0支持高達1080p的超高清分辨率，并能生成2至10秒的靈活視頻長度，尤其在捕捉復雜方面表現出類拔萃，其生成的視頻在的幅度和時間上的連貫性均達到了行業領先水平。

Waver 1.0的核心優勢

全能一體化創作： 告別模型切換的繁瑣，Waver 1.0集文本到視頻、圖像到視頻及文本到圖像生成于一身，實現無縫創作流程。
高清視界，隨心定制： 最高支持1080p分辨率，2至10秒的視頻時長可靈活調控，分辨率和畫面比例亦可設定，滿足多樣化需求。
精妙刻畫： 深入理解并重現復雜軌跡，確保視頻畫面在動態表現力和時間軸的連貫性上均有出色呈現。
敘事連貫，風格統一： 能夠生成多鏡頭銜接自然、內容連貫的敘事視頻，保證核心主題、視覺風格和整體氛圍的高度一致性。
風格百變，創意無限： 從極致寫實到生動動畫，從趣味粘土到柔軟毛絨，Waver 1.0駕馭多種藝術風格，為創意注入無限可能。
性能標桿，引領未來： 在Waver-Bench 1.0和Hermes測試集等權威評測中，Waver 1.0的綜合表現均超越了當前市面上主流的開源及閉源模型。
真實感升級，偽影告別： 運用APG（Adaptive Parallel Guidance）技術，有效減少生成視頻中的瑕疵，顯著提升畫面的真實感。
精細化訓練，動感優化： 通過低分辨率視頻的精細化訓練，逐步提升分辨率，從而深度優化了生成的能力。
智能提示，效果提升： 借助精巧的提示標簽機制，能夠精準區分和應用不同類型的訓練數據，進一步優化生成效果。

Waver 1.0的技術深度解析

先進模型架構： Waver 1.0采用了創新的混合流DiT（Hybrid Stream DiT）架構。它借助Wan-VAE技術提取視頻的壓縮潛在變量，利用flan-t5-xxl和Qwen2.5-32B-Instruct模型進行文本特征提取，并以修正流Transformer為核心構建DiT模型。視頻與文本信息通過雙流與單流的融合方式實現高效整合。
1080p高清生成引擎： Waver-Refiner部分采用DiT架構，并運用流匹配方法進行訓練。具體而言，它首先將低分辨率視頻（480p或720p）上采樣至1080p，然后添加噪聲，再以含噪聲的低分辨率視頻作為輸入，最終輸出高質量的1080p視頻。通過引入窗口注意力機制，顯著縮短了推理步驟，從而大幅提升了推理速度。
卓越訓練策略： 為了實現對的精準捕捉，Waver 1.0的訓練過程將重點放在低分辨率視頻上。模型投入了大量的計算資源，在192p分辨率的視頻上進行深度訓練，隨后逐步提高分辨率至480p和720p。訓練過程中遵循SD3的流匹配訓練設置，并且在480p和720p視頻訓練時，逐步調整sigma shift值，以達到最佳效果。
智能提示標簽應用： Waver 1.0巧妙運用提示標簽來區分和管理不同類型的訓練數據，為訓練數據分配相應的風格和質量標簽。在訓練階段，描述視頻風格的提示被添加到標題的前面，而描述視頻質量的提示則被置于訓練標題的末尾。在推理階段，為了避免生成低質量內容，會將諸如“低清晰度”或“慢動作”等負面描述性提示納入負面提示（negative prompt）中。
推理優化技術： 將APG技術（Adaptive Parallel Guidance）引入視頻生成領域，旨在提升視頻的真實感并減少偽影。APG通過將CFG（Classifier-Free Guidance）中的更新項分解為平行和正交分量，并調低平行分量的權重，從而在保證生成質量的同時，有效避免了畫面過度飽和的問題。